Coût d’une fonctionnalité d’IA dans une application mobile

Commencez par le travail que l’IA doit accomplir

« Nous voulons un chatbot » ne permet pas de chiffrer un projet. « Un apprenant pose une question sur une leçon et reçoit une réponse fondée uniquement sur le contenu validé » est une tâche. « La boutique propose trois produits du catalogue et explique le choix » est une autre tâche mesurable.

Ensuite, il faut choisir une approche : modèle hébergé, recherche dans les données de l’entreprise, recommandations, voix, vision ou modèle personnalisé. Pour un MVP, un modèle externe et un objectif étroit permettent souvent d’apprendre rapidement. Cela ne supprime ni la facture d’usage ni les tests de fiabilité.

Les six couches du coût

Vérifiez les tarifs sur la page de prix de l’API OpenAI, la documentation tarifaire de Gemini et la documentation tarifaire d’Anthropic. Les modèles et les tarifs évoluent ; ces pages doivent servir de référence au moment du chiffrage.

La première fonctionnalité doit avoir une limite claire

Une tâche courte permet de mesurer l’utilité. Elle peut résumer une demande, classer un prospect, extraire les champs d’un document, transformer une note vocale en brouillon ou répondre depuis une base de connaissances approuvée.

Un assistant qui répond à tout, conserve tout l’historique, consulte des sources quelconques et modifie les comptes est un produit beaucoup plus large. Il nécessite des permissions, davantage de scénarios de test et une gestion de l’incertitude. Dans un premier lancement, une suggestion ou un brouillon est souvent préférable à une action autonome.

Pour une application de formation, la première version pourrait répondre aux questions sur les leçons publiées et afficher la source utilisée. Elle n’a pas besoin de créer un parcours pédagogique complet, d’évaluer une situation sensible et de modifier les droits de l’élève dans la même conversation. Limiter la tâche réduit le risque et rend l’estimation plus lisible.

Cinq approches qui n’ont pas le même budget

### Connexion à un modèle hébergé

L’application envoie une demande contrôlée par le serveur et reçoit un texte, des données structurées, une image ou un autre résultat. Cette approche convient aux résumés, à la classification, à l’extraction et à un assistant limité. Le travail porte surtout sur le parcours, la sécurité, les tentatives, les limites et l’évaluation, pas sur l’entraînement d’un modèle complet.

### Recherche dans les données de l’entreprise

Si la réponse doit s’appuyer sur des cours, un catalogue ou des documents internes, le système doit trouver les passages pertinents. Il faut nettoyer les sources, les découper, les indexer, gérer les droits et organiser leur mise à jour. Le travail sur les données peut devenir plus important que l’appel au modèle.

### Recommandations

Une recommandation de produit ne demande pas toujours un modèle conversationnel. Elle peut utiliser un catalogue, des événements, des règles commerciales, un classement et des expérimentations. Une première version fondée sur des règles explicables est parfois plus facile à mesurer qu’un modèle complexe.

### Voix, images et documents

La voix ajoute l’enregistrement, les autorisations, la transcription, la lecture, les interruptions et la latence. Un document ajoute des limites de fichier, l’extraction, la vérification de champs incertains et des obligations de confidentialité. Les images amènent aussi des formats, une résolution et des contenus sensibles.

### Modèle personnalisé ou embarqué

Cette option peut se justifier pour l’usage hors connexion, une latence mesurée, un contrôle particulier des données ou une échelle importante. Elle ajoute la préparation des données, l’évaluation, l’empaquetage, les tests sur appareils, les mises à jour et une solution de secours. Ce n’est pas une étape automatique d’un MVP.

Calculer le coût d’usage chaque mois

Une ligne comme « IA : 250 EUR par mois » ne veut rien dire sans hypothèses. Une formule simple est la suivante :

`coût mensuel = requêtes x usage moyen en entrée x prix d’entrée + requêtes x usage moyen en sortie x prix de sortie`

Ajoutez ensuite le stockage, la recherche, l’audio, les images, l’hébergement, les journaux et la surveillance. Les hypothèses utiles sont le nombre d’utilisateurs actifs, le taux d’adoption de la fonction, les requêtes par personne, les nouvelles tentatives, la quantité de contexte, la longueur de réponse, le modèle choisi, le cache et les documents personnels.

Préparez trois scénarios : bas, attendu et haut. Pour une recherche dans un catalogue, comptez une question courte, une requête filtrée longue et une relance quand aucun produit ne correspond. Pour la voix, ajoutez la durée enregistrée et le nombre de tours.

Les données peuvent représenter le vrai projet

Un modèle ne peut pas produire une réponse fiable à partir d’une source désordonnée. Avant de développer, précisez qui entretient le catalogue, les cours, la documentation ou les articles de support, à quelle fréquence ils changent et quel utilisateur peut les consulter.

Il faudra peut-être supprimer les doublons, découper les documents, ajouter des identifiants, reproduire les permissions, synchroniser les mises à jour et créer des exemples de bonnes et de mauvaises réponses. Si le contenu change chaque jour, l’application doit détecter les informations obsolètes. Si la réponse concerne un paiement, la santé ou l’accès au compte, elle doit montrer sa source ou être transmise à une personne.

Une fonctionnalité d’IA peut donc devenir un projet de serveur et d’organisation des contenus. L’écran est seulement la partie visible.

L’évaluation et la sécurité sont du travail de développement

Avant la mise en ligne, préparez des questions représentatives : demandes claires, formulation ambiguë, donnée manquante, tentative d’accès aux informations d’un autre compte, contenu offensant, instruction malveillante et indisponibilité du fournisseur. Vérifiez si l’application répond, demande une précision, cite une source, refuse ou transmet au support.

Le Top 10 OWASP 2025 pour les applications LLM et d’IA générative cite notamment l’injection de prompt, l’exposition d’informations sensibles, le traitement incorrect des sorties, l’excès d’autonomie, la désinformation et la consommation sans limite. Ces risques deviennent des choix produit : que peut lire le modèle, que peut-il écrire, quelle action peut-il déclencher et quelle limite est appliquée ?

Mesurez les résultats plutôt que le seul nombre d’appels. Suivez l’acceptation d’une suggestion, la correction d’une extraction, le transfert vers le support et l’apparition du parcours de secours. Un appel peu cher ne sert à rien s’il crée plus de travail manuel.

La place de l’IA dans le budget global d’une application

La fonctionnalité d’IA n’est généralement qu’un lot dans un produit plus large. Il peut aussi falloir des comptes, des paiements, un espace d’administration, de l’analytique, des informations de confidentialité, la publication et le support.

Pour un produit réalisé, Appfyl utilise comme repères 15 000 à 20 000 EUR pour un MVP ciblé, 20 000 à 50 000 EUR pour un projet moyen et 50 000 à 100 000 EUR pour un projet important. Ce sont des repères de planification Appfyl, pas des moyennes de marché. Un projet avec IA peut être inférieur ou supérieur selon qu’il s’agit d’une fonction étroite, d’un flux relié aux données, de la voix ou de la vision, ou d’un modèle personnalisé.

Le guide sur le budget d’une application mobile sépare préparation, design, développement, lancement et exploitation. Le guide sur le coût d’une intégration API mobile aide à décrire la connexion au fournisseur. Le devis doit indiquer le travail inclus, le propriétaire du compte, les hypothèses d’usage et la gestion d’une hausse du trafic.

Réduire le coût sans supprimer l’utilité

Commencez par une tâche et une source fiable. Utilisez un modèle hébergé avant d’envisager l’entraînement ou l’exécution sur l’appareil. Limitez le contexte, la longueur des réponses et les actions autorisées. Quand une action autonome est risquée, renvoyez un brouillon, une recommandation ou le support humain.

Conservez les cas de test dès la première semaine. Chaque correction réelle devient un nouveau test. Vous pourrez ensuite décider avec des preuves s’il faut un modèle plus puissant ou des données mieux organisées.

Ne supprimez pas la confidentialité, les contrôles d’accès, la gestion des erreurs ou la surveillance pour réduire le budget. Pour les données personnelles, consultez le guide sur la politique de confidentialité d’une application mobile et la check-list de sécurité mobile.

Comment Appfyl chiffre une fonctionnalité d’IA

Appfyl commence par la tâche, la réponse attendue et la conséquence d’une erreur. Nous cartographions ensuite le parcours mobile, le serveur, les données sources, l’administration, la consommation du fournisseur, les tests, la mesure, la confidentialité et le support. La proposition distingue la réalisation initiale des services récurrents et précise ce qui est reporté.

Toutes les applications n’ont pas besoin d’un chatbot ou d’un modèle personnalisé. Une meilleure recherche, une recommandation explicable, un assistant documentaire ou un brouillon validé par une personne peuvent apporter davantage avec moins de risque. Décrivez votre projet dans l’outil d’estimation Appfyl ou découvrez le service de développement mobile Appfyl.

Voir comment Appfyl transforme un périmètre en produit lancé. Voir les cas Appfyl.

Questions fréquentes